作者：林克

4月22日，前几天还在灰测的GPT-image-2正式公测，其实际使用效果引发了AI圈的热议。

和之前的图像生成的最关键变化是：字更清楚了、海报更像设计稿了、UI截图终于能用。这也让图像生成模型开始被当成生产工具来讨论了。

先看看生成效果：

颗粒度更高的效果背后，其实一条技术路径在拐弯。

过去几年主流方法来自扩散模型diffusion的思路。它的出发点很朴素：如果一张清晰图片可以一步步加噪声变成雪花，那么反过来，从雪花一步步去噪，就有机会还原出一张图。

于是模型被训练去做一件事，在不同噪声阶段判断“下一步应该往哪儿收敛”。

这套方法在视觉上很成功。它擅长处理连续变化的东西，比如光影、纹理、人物细节。但它有一个几乎绕不过去的结构性限制：生成几乎是“整体发生”的，没有顺序概念。

从噪声到图像的过程中，所有元素一起浮现出来。人物、背景、装饰、文字，都在同一个收敛轨道里被“涂抹”出来。模型没有“先写第一个字、再写第二个字”的能力，因为在它的世界里，并不存在“字符”这种离散单位。

这就是早期模型为什么在文字上集体失灵。它看到“HELLO”，学到的是几种常见的笔画组合；生成时，会在某个区域给出一块“像文字的纹理”。至于字母顺序、拼写规则、句子长度，这些约束不在它的表达体系里。

很多团队试图用更多数据、更高分辨率去弥补，但效果有限，因为在连续系统去模拟离散结构，总会在关键位置出错。

GPT-image-2这一代模型的变化，恰好发生在这个断点上。

它首先把图像换了一种表示方式。通过视觉分词器tokenizer，图像被拆成一系列离散单元，类似文本里的token。这样一来，图像就变成可以逐步生成的序列。

一旦进入序列空间，语言模型那套成熟的方法就可以直接接入。生成过程就有了顺序，可以“从前到后写出来”。顺序、长度、上下文约束，都可以在这个过程中被显式控制。

更关键的一步，是引入了接近“agent”的训练思路。

Agent特点是先理解任务，再形成计划，最后执行。GPT-image-2的生成链路里，语言模型承担了类似“规划器”的角色。它会根据输入，把需求拆解成结构，例如哪里是标题，写什么内容，大致占据什么位置，是否需要多行排版。这个过程对用户不可见，但在模型内部形成了一个隐式的布局草图。

接下来，视觉部分在这个草图约束下去完成渲染。文字成为一个被提前定义好的目标。字符的顺序和内容由语言模型决定，视觉模型负责把它们以合适的样式呈现出来。

从工程角度看，这是一条“规划—执行”链路被内嵌进模型本身，像agent一样有步骤、有结构、有中间决策。

这种结构对文字的影响是立竿见影的。因为文字本质就是一种强约束的序列任务，而语言模型正好擅长处理序列。当两者对齐之后，“写对字”不再依赖运气，而成为一个可以被稳定优化的目标。

这也是为什么GPT-image-2在海报、UI、电商图这些场景表现突出。这些场景的难点一直在结构和约束，而不是纯视觉。只要结构被提前锁定，后续渲染的自由度反而更容易控制。

国内模型目前大多处在两条路径的交界处。

豆包图像已经开始引入语言模型参与生成决策，在中文短文本和简单排版上有明显改善。这说明“规划层”正在形成，但在长文本和复杂布局上仍有波动，意味着离散表示和视觉渲染之间的对齐还不够稳。

快手的Kolors在视觉表现上非常突出，风格和质感接近行业第一梯队，但文字更多还是在视觉阶段被补偿，缺乏前置约束，一旦文本变长就容易失控。

阿里千问和百度的优势在于数据和场景，尤其电商与搜索生态，具备构建大规模结构化数据的条件。但目前图像生成仍然延续原有路径，语言模型尚未成为生成链路的核心控制者。

从方法论上看，差距集中在三点：图像是否被离散化为可序列处理的单位，语言模型是否进入生成主链路，以及是否建立了带布局与文本标注的数据体系。这三者一旦打通，文字问题基本会随之消失。

这条路径和文本模型的发展方向也在逐渐重合。像Claude之所以被很多开发者用于实际工作，核心原因是因为它在执行复杂任务时更稳定。

长上下文处理、结构化输出、步骤完整，这些能力让它更像一个可以交付结果的系统。GPT系列从对话走向工具的过程，本质也是在强化这种“完成任务”的能力。

图像生成正在经历类似的阶段。从“生成一张好看的图”，走向“完成一个带视觉约束的任务”。

当语言模型、离散表示和类似agent的规划机制叠加在一起，图像就不再只是视觉结果，而成为表达和执行的一种新载体。